Implementasi Klasifikasi Xgboost Untuk Prediksi Dini Risiko Penyakit Jantung Bagi Kalangan Dewasa Muda Di Indonesia

Fatia Amalia Maresti (Universitas Logistik dan Bisnis Internasional (ULBI))
Ayu Andani (Universitas Logistik dan Bisnis Internasional (ULBI))
Kent Bryan Yasin (Universitas Logistik dan Bisnis Internasional (ULBI))

Data Sciences Indonesia (DSI)
Vol. 6 No. 1 (2026): Article Research Volume 6 Issue 1, Juni 2026

Penyakit jantung koroner merupakan penyebab utama kematian di Indonesia, terutama pada kelompok dewasa muda yang sering terdeteksi terlambat. Penelitian ini bertujuan untuk menerapkan algoritma XGBoost dalam memprediksi risiko serangan jantung secara dini pada populasi usia 25–30 tahun. Dengan deteksi yang lebih awal, tindakan pencegahan dapat dilakukan secara lebih efektif guna menurunkan angka kejadian dan kematian akibat penyakit jantung. Berdasarkan kajian pustaka, XGBoost dikenal unggul dalam akurasi dan efisiensi komputasi dibandingkan algoritma lainnya. Metode penelitian mencakup pengumpulan data sekunder dari DeepDataLake, dilanjutkan dengan tahap preprocessing berupa pembersihan data, normalisasi, encoding variabel kategorik, serta visualisasi distribusi. Data dibagi menjadi 80% untuk pelatihan dan 20% untuk pengujian. Optimasi hyperparameter dilakukan menggunakan RandomizedSearchCV untuk memperoleh konfigurasi terbaik, kemudian divalidasi silang guna menjamin kestabilan model.